优化计算智能方法用于预测粘性大米脱水情况

科学领域:

• 食品科学 食品科学 食品科学
• 化学工程是化学工程的重要组成部分.
• 计算智能是一种计算智能.

背景情况:

• 研究了五种计算智能方法:高斯过程回归 (GPR),人工神经网络 (ANN),决策树 (DT),树组合 (EoT) 和支持向量机器 (SVM).
• 专注于模拟粘性大米脱水期间的水分演变.
• 使用贝叶斯优化,网格搜索和随机搜索优化模型超参数.

研究的目的:

• 用计算智能描述粘性大米脱水过程中的水分演变.
• 确定最佳的计算智能技术和脱水建模的参数.
• 通过全球灵敏度分析 (GSA) 了解输入变量对模型预测的影响.

主要方法:

• 应用GPR,ANN,DT,EoT和SVM模型对脱水数据.
• 通过贝叶斯优化,网格搜索和随机搜索优化超参数.
• 使用GSA来确定输入变量对模型输出的影响.

主要成果:

• 确定了每个模型的最佳配置,包括特定的超参数和功能.
• 高斯过程回归 (GPR) 实现了最高的性能,R2值为100% (校准) 和99.71% (测试).
• 全球灵敏度分析表明,时间变化是影响所有模型输出的主要因素.

结论:

• 计算智能模型,特别是GPR,对于描述粘性大米脱水中的水分演变是有效的.
• 这些模型适用于小规模和工业应用.
• 这些发现为优化脱水过程提供了宝贵的见解.